标签重叠(overlapping)的危害
用真实蒙特卡洛模拟说明：为什么 10s 高频取样 + 分钟级标签，会让纯噪声因子被误判为"极显著"。
实验设定：造一个真实无预测力的随机因子（与未来收益完全无关，且像真实10s因子一样高度自相关 ρ=0.99），
每 10s 取一个样本，标签 = 未来 N 根收益。正确的统计检验，应该只有约 5% 的概率误判它显著（即 |t|>1.96）。
看看 naive t值实际误判了多少。
① 为什么会重叠
每 10s 出一个样本，但标签要看未来很多格 → 相邻样本的标签区间大面积重合。
样本1和样本2的"未来收益"80%是同一段，它们不是两个独立观测，而是同一信息被数了很多遍。
② 危害：纯噪声因子的假阳性率随 horizon 飙升
红=naive t值的假阳性率，绿=用「有效样本数 = N/horizon」修正后。横轴是标签向未来看多久。
危害：标签看未来 20分钟 时，一个毫无预测力的随机因子，naive 检验有
88% 的概率被判为"统计极显著"——而正确答案应该是 5%。
也就是说：你挖出来的"显著因子"，绝大多数可能是被重叠制造的幻觉。 用有效样本修正后，假阳性回落到 2%，恢复正常。
也就是说：你挖出来的"显著因子"，绝大多数可能是被重叠制造的幻觉。 用有效样本修正后，假阳性回落到 2%，恢复正常。
| 标签horizon | 10秒(无重叠) | 5分钟 | 10分钟 | 20分钟 | 30分钟 |
|---|---|---|---|---|---|
| naive 假阳性 | 3% | 69% | 76% | 88% | 83% |
| 修正后假阳性 | 3% | 4% | 2% | 2% | 1% |
horizon=10秒时无重叠，假阳性≈正常的几%；horizon越长重叠越重，naive假阳性越离谱。
③ 危害的本质：t值分布被撑大
同一个随机因子，把它的 t值画成分布。无重叠(蓝)时 t值乖乖集中在 ±2 内；
重叠(红)时 t值散到 ±10，大量越过 ±1.96 的显著门槛。t值的"尺子"坏了。
④ 为什么会这样
显著性公式
你的设定：stride=10秒、horizon=20分钟 → 真实独立样本只有名义的
于是 naive t值被夸大了
t = IC × √(样本数N) 里的 N，假设样本相互独立。
但重叠让相邻样本几乎相同，真实独立样本数只有 ≈ N × (stride / horizon)。
你的设定：stride=10秒、horizon=20分钟 → 真实独立样本只有名义的
10/1200 ≈ 1/120。
于是 naive t值被夸大了
√120 ≈ 11 倍 —— 这正是上面红柱飙升的来源。
⑤ 怎么治（不改你的预测目标）
重叠不是前视（标签用未来收益天经地义），它是样本独立性问题。点估计(IC是多少)可信，坏的是显著性。三个治法：
① 降采样：每隔 ≥ horizon 取一个样本 → 完全不重叠（样本变少）。
② 重叠稳健统计：用 Newey-West 标准误，或按
③ 看 ICIR 和稳定性，别只看裸 t值：ICIR(=mean(IC)/std(IC)) 对采样频率不敏感，比 t值诚实；更要看 IC 在不同时段/股票池是否一致为正。
① 降采样：每隔 ≥ horizon 取一个样本 → 完全不重叠（样本变少）。
② 重叠稳健统计：用 Newey-West 标准误，或按
有效N = N·stride/horizon 重算 t值（上图绿柱就是这么修的）。
③ 看 ICIR 和稳定性，别只看裸 t值：ICIR(=mean(IC)/std(IC)) 对采样频率不敏感，比 t值诚实；更要看 IC 在不同时段/股票池是否一致为正。
数字来自蒙特卡洛模拟(400次重复·12000样本·因子ρ=0.99) · overlapping 是样本独立性问题，非前视